组装组参考文档version1

基因组项目组装参考文档

基因组项目组装参考文档 ............................................................................................................... 1 一 原始数据路径 ............................................................................................................................. 3 二 数据处理 ..................................................................................................................................... 3

1 数据过滤 ............................................................................................................................... 3 2 数据纠错 ............................................................................................................................... 3 三 根据少量数据对基因组进行分析 ............................................................................................. 3

1 基因组大小分析 ................................................................................................................... 3 2 基因组杂合率模拟 ............................................................................................................... 4 3 基因组是否有细菌或其他基因组污染 ............................................................................... 4 四 组装（SOAPdenovo） ............................................................................................................... 4 五 基因组的soap比对分析 ........................................................................................................... 4

1 文库插入片段大小的校正 ................................................................................................... 4 2 如果有其他污染，soap比对去除污染............................................................................... 4 3 对于大片段文库数据，会有比较严重的小峰，需要去除小峰 ....................................... 4 4 做基因组的GC-Depth分布图，查看是否有GC偏向性 ................................................. 4 5 做基因组的单碱基分布图，看是否存在数据随机性不好的问题 ................................... 4 六 基因组的组装版本的EST和BAC评价.................................................................................. 5

1 EST评价 ............................................................................................................................... 5 2 BAC评价 .............................................................................................................................. 5 七 基因组的fosmid-end或bac-end数据构建super-scaffold ...................................................... 5 八 基因组数据的备份和目录结构 ................................................................................................. 5 九 附录............................................................................................................................................. 5

附录一 filter_data_v1.2 ........................................................................................................... 6

1 程序简介 ....................................................................................................................... 6 2 基本用法： ................................................................................................................... 6 3 运行过程： ................................................................................................................... 7 4 注意事项以及常见错误： ........................................................................................... 8 附录二 纠错流程 ..................................................................................................................... 9

1 纠错策略 ....................................................................................................................... 9 2 纠错流程 ..................................................................................................................... 10 3 内存及时间损耗 ......................................................................................................... 11 附录三 Kmer分析总论 ......................................................................................................... 12

1 引言 Kmerfreq程序说明 .......................................................................................... 12 2 基于kmer的基因组大小估计 ................................................................................... 13 3 估计准确性影响因素 ................................................................................................. 14 4 结论 ............................................................................................................................. 20 附录四 基因组de novo组装 ................................................................................................ 21

1 SOAPdenovo软件 ....................................................................................................... 21 2 参数说明 ..................................................................................................................... 22 3 使用方法及示例 ......................................................................................................... 22 4 输出文件及说明 ......................................................................................................... 23

5 参数调整 ..................................................................................................................... 26 6 内存估计 ..................................................................................................................... 27 7 常见错误 ..................................................................................................................... 27 8 参考文献 ..................................................................................................................... 27 附录五 项目数据备份和目录结构 ....................................................................................... 28

1 项目需要备份数据 ..................................................................................................... 28 2 项目目录结构 ............................................................................................................. 28 3 项目存储 ..................................................................................................................... 28

一 原始数据路径

solexa: 07年~09年3月的数据（原raid9备份） solexa: 09年3月~09年6月的数据 solexa: 09年6月~09年9月的数据 solexa: 09年9月~09年10月的数据 solexa: 09年10月~09年11月的数据 solexa: 09年11月~10年1月的数据 solexa: 10年1月~10年2月的数据 solexa: 10年2月~ /share/fqdata02 /share/fqdata03 /share/fqdata04 /share/fqdata05 /share/fqdata06 /share/fqdata08 /share/fqdata10 /share/fqdata12

二 数据处理

1 数据过滤

filter_data流程，lane.lst 和lib.lst需要备份，生成的*.xls需要保存。 文档说明见附录一。

2 数据纠错

石仲斌的kmerfreq，unicorn merge等程序，其中kmer.lst，kmer.sh ，corr.lst和corr.sh等文件需要备份。 文档说明见附录二。

三 根据少量数据对基因组进行分析

1 基因组大小分析

文档说明见附录三。

2 基因组杂合率模拟

文档说明可参考附件中的ppt

3 基因组是否有细菌或其他基因组污染

参考/ifs1/GAG/assemble/chenyan/Algal/01.analysis/work.sh

四 组装（SOAPdenovo）

文档说明见附录四

五 基因组的soap比对分析

1 文库插入片段大小的校正

参考/nas/GAG_01C/chenyan/Penguin/03.soap/Insert/work.sh

2 如果有其他污染，soap比对去除污染

首先将过滤处理之后的数据与细菌基因组比对，然后去除与细菌基因组比对上的reads，再将过滤后的reads进行组装，做出GC-Depth分布图，找出其中的离群特异点，然后根据这些离群的scaffold序列去除一部分reads。

3 对于大片段文库数据，会有比较严重的小峰，需要去除小峰

参考/nas/GAG_01C/chenyan/Penguin/03.soap/Remove_small/work.sh

4 做基因组的GC-Depth分布图，查看是否有GC偏向性

/nas/GAG_01A/assembly/cucumber/03.soap/Cov2Depth/work2.sh

5 做基因组的单碱基分布图，看是否存在数据随机性不好的问题

参考/nas/GAG_01A/assembly/cucumber/03.soap/Cov2Depth/work.sh